一区思路！挑战5天一篇NHANES预测模型 DAY1-5
挑战5天一篇预测模型NHANES
Day1!
近期美国关闭seer数据库的信息在互联网上广泛传播，大家都在担心数据库挖掘是否还能做。这个问题其实是有答案的，数据库挖掘肯定能做，做没被关的数据库即可，同时留意一些国产数据库～
因此我在这个时间段挑战做一篇nhanes数据挖掘库挖掘，坚定大家的信念。只有拥有SCI，才有硕士选择更好的权利，才有读到博士的机会，一定坚定信念，数据库那么多，总有我们能做的～
为了提高挑战的难度和成稿文章的接收率，挑我决定挑战5天利用NHANES数据库完成一篇预测模型SCI！
第一天的主要任务就是熟悉数据库+明确选题+确定目标期刊和目标文献。
由于我们之前发起过很多期NHANES的挑战，对NHANES的官网还是非常熟悉的，这里就大大缩短了熟悉网站的时间。
简单来说，NHANES数据库是一个 涉及心血管、内分泌、营养、感染、妇产等多个领域的，无需申请或伦理审批，数据完全免费的公共数据库。数据量特别的大，涉及的相关指标很多，可以适合各个不同的科室的朋友来挖掘写作～
之前的挑战大多研究的是A变量与B疾病之间的关联，这次想做点不一样的，利用同样的数据库来做临床预测模型～
我用“NHANES + nomogram”进行了初步的检索，发现发的文章数量不多，正是发文的好时机！
我想建立一个我的目标疾病的人群全因死亡率的列线图，所以又去检索了“NHANES and nomogram and 目标疾病”，目前还没有人发过，那就这么定啦！接着在pubmed上根据我的目的选择了一个目标杂志，目标期刊：Front Pharmacol 标题Development and validation of a nomogram for predicting all-cause mortality in American adult hypertensive populations，随后去深入了解了这个杂志，不是水刊，发文量和被引数都还可以，那就他啦
坚定信念，让我们一起冲冲冲！！！
Day 2!
虽然最近医院很忙，但挑战不能停~
第2天主要任务：提取数据前的准备
具体需要干的就是：
- 阅读5-10篇NHANES预测模型的文章
- 根据文章确定自己需要的变量
- 整理变量的具体信息
- 整理需要的数据
公开数据库有很多，如MIMIC、eICU数据库等，但是相较而言NHANES数据库的数据获取比较简单，而且我们已经将所有的数据都下载到了本地，大大缩短了我们提取数据的时间，对我们这些“临床打工人”来说是非常友好的！
今天最主要的一步就是整理变量的信息，在动手前，我一般会花几十分钟时间，整体浏览一下这个数据库，对于什么样的数据在demo里，什么样的数据是在问卷里做到心中有数，有些实在找不到的变量，也可以去试试首页上的search variables。
变量信息整理好后，其实就完成了大半，接下来要做的就是把需要的xpt文件整理好就好啦～我们前期花了一些时间，把所有的周期的所有数据全部下载到本地啦，所以整理数据几分钟就能完成～
好啦，今天的分享就到这里啦！
Day 3!
Day3任务：数据提取与清洗。
前期我已经把所有的数据都下载好啦，现在主要的目标就是进行数据的提取清洗，我们用R将所需要的数据提取出来。在第二天我们已经把所需要的数据的具体信息都整理好啦，这个表格对我们的数据提取至关重要～
因为我做的是目标疾病的死亡率的预测模型，所以要考虑的主要有三个方面：
- 目标疾病
- 死亡的信息
- 需要考虑的变量
因为之前以及熟悉过这个代码啦，所以提数据的时候很easy～用代码提啊提，很快就搞完了。需要花一点时间的地方就是数据的清洗，做预测模型和普通的NHANES在数据清洗部是一样的，比如说高血压看起来只有是和否，但实际上需要依靠多个数据一起来定义：
- 目前正在口服降压药 2）血压大于140/90mmHg（取平均值） 3）被医生告知有高血压
工程还是很浩大滴！
但做多了也就熟练啦～猛猛一顿筛选就搞定！
整理好了数据以后，后面的分析实际上是非常简单的，选题才是最重要、最费时间的，也是最容易浮躁滴，静下来，方向对了，就一定能出成果。
一起加油呀~
Day 4！
Day4任务：跑出结果+完成中文稿
前期花了3天时间已经将数据都整理好啦，现在的任务就是跑出图片和表格～
在第2天我们已经大量阅读了相关的文献啦，模仿文献一步一步来就好了，常规NHANES预测模型的文章需要下面这些Table和Figure，我进行了提取和总结
Figure 1：流程图---数据来源过程及分析步骤
Table 1：基线特征---训练集和验证集的基线特征
Table 2：回归分析---单变量和多变量回归分析
Figure 2：LASSO 回归--选择风险因素
Figure 3：Nomogram--列线图的构建
Figure 4-6：预测模型的验证--ROC曲线、校准曲线、DCA曲线
这就是NHANES预测模型文章的主要结果啦，跑完数据后，我又根据我们的写作法把初稿整完啦，今天又是熬夜肝文章的一天～
因为前期已经整理好了数据，后面的分析实际上是非常简单的，选题和整理数据才是最费时间的，静下来，一步步踏实完成。
今日份挑战成功～
Day 5！
Day5任务：完成文章写作+投稿
昨天已经将图片、表格和初稿都已经整完啦，后面就是翻译润色和投稿哩！写作其实是最简单的哈哈哈～有我们的《框架写作法》理清思路，我昨天在跑完结果后才能快速写完初稿哈哈哈～
今天的任务比较轻松，只需要补充模块化写作部分，然后翻译润色，根据目标期刊改格式就好啦！改完以后再发给导师看一眼就可以准备投稿咯～～
挑战5天完成一篇NHANES预测模型，挑战成功！！！
相关文章：
一区思路！挑战5天一篇NHANES预测模型 DAY1-5
挑战5天一篇预测模型NHANES Day1! 近期美国关闭seer数据库的信息在互联网上广泛传播，大家都在担心数据库挖掘是否还能做。这个问题其实是有答案的，数据库挖掘肯定能做，做没被关的数据库即可，同时留意一些国产数据库～…...
Stack--Queue 栈和队列
一、Stack--栈 1.1 什么是栈？ 堆栈是一种容器适配器，专门设计用于在 LIFO 上下文（后进先出）中运行，其中元素仅从容器的一端插入和提取。 第一个模版参数T：元素的类型；第二个模版参数Container…...
Redis热key大key详解
不要阻挡我走向成功，勇者配享所有，感想敢干 hotkey热key 大量请求可能会使redis节点流量不均匀，进而导致宕机，继而打到数据库崩溃；因此需要对热key优化 引发问题： 分片服务瘫痪可能打到数据库࿰…...
软件架构选型之“如何选”
本文提出的多维度评估框架旨在建立客观、全面的架构选型方法论，帮助团队做出更科学的架构决策，通过业务需求、技术约束、组织能力和演进策略四个核心维度建立量化评估模型。该框架旨在解决移动应用架构决策中的主观性和片面性问题，提供系统化…...
C语言写文件模式错误
“w” 和“wb”区别 出错实例 图像.raw文件输出时，采用“w”模式打开写文件，会将值为0A (即\n的ASCII值)，前自动添加0D(即\r的ASCII值)，如下图所示...
2025最新福昕PDF编辑器，PDF万能处理工具
软件介绍 Foxit PDF Editor Pro 2025 中文特别版（以前称为 Foxit PhantomPDF Business）是一款专为满足各种办公需求而设计的业务就绪的PDF工具包。 软件特点 1. 强大的PDF编辑能力 创建新文档：用户可以从无到有地构建PDF文档，添…...
Android 动态权限申请
ContextCompat.checkSelfPermission 检查应用是否具有某个危险权限。如果应用具有此权限，方法将返回PackageManager.PERMISSION_GRANTED，并且应用可以继续操作。如果应用不具有此权限，方法将返回PackageManager.PERMISSION_DENIED，…...
【模型量化】量化基础
目录 一、认识量化 二、量化基础原理 2.1 对称量化和非对称量化 2.1.1 对称量化 2.1.2 非对称量化 2.1.3 量化后的矩阵乘 2.2 神经网络量化 2.2.1 动态量化 2.2.2 静态量化 2.3 量化感知训练 一、认识量化 量化的主要目的是节约显存、提高计算效率以及加快通信 dee…...
智能 + 安全：婴幼儿托育管理实训基地标准化建设方案
婴幼儿托育服务与管理实训基地智能安全的开发，需以“岗位能力-职业标准-行业需求”为核心逻辑，构建“需求分析-课程设计-教学实施-效果评估”全闭环体系。结合托育行业难点、技术赋能手段及职业能力要求，呈现课程开发全流程，重点突…...
AI重构家居营销新范式：DeepSeek如何破解行业流量与转化困局？
1. 流量下滑、成本攀升、内容同质化：家居行业亟需一场“效率革命” 中国家居行业正经历一场深刻的转型阵痛。线下门店客流量持续萎缩，线上获客成本攀升至临界点，传统营销模式陷入“高投入、低转化”的泥潭；智能家居产品快速迭代&…...
机器学习实操 第一部分 机器学习基础 第7章 集成学习与随机森林
机器学习实操 第一部分 机器学习基础 第7章 集成学习与随机森林 内容概要 第7章深入探讨了集成学习方法，这是一种结合多个预测模型（如分类器或回归器）以提高预测性能的技术。这些方法通过利用群体的智慧，可以比单个模型获得更好…...
如何用GPU Instancing来优化树木草石重复模型
1）如何用GPU Instancing来优化树木草石重复模型 2）Unity ASTC压缩后的纹理在部分安卓机型上不显示 3）现在大部分项目的竖版UI设计分辨率是多少 4）Android上拖拽物体不实时跟随手指的问题 这是第430篇UWA技术知识分享的推送&#x…...
Windows服务器部署全攻略：Flask+Vue+MySQL跨平台项目实战（pymysql版）
当你的后端（Flask+pymysql，Windows开发）与前端（Vue，Mac开发）需要统一部署到Windows服务器时，通过「IIS反向代理+原生组件适配」方案可实现稳定交互。以下是针对Windows环境的专属部署指南，解决路径适配、服务启动等核心问题。 一、Windows服务器环境准备（必做！） 1…...
自动驾驶-一位从业两年的独特视角
时间简介 2023.03 作为一名大三学生，加入到某量产车企，从事地图匹配研发 2023.07 地图匹配项目交付，参与离线云端建图研发 2023.10 拿到24届校招offer 2024.07 正式入职 2025.01 离线云端建图稳定，开始接触在线车端融图研发 自动…...
Vue 3 单文件组件中 VCA 语法糖及核心特性详解
在 Vue.js 的开发世界里，单文件组件（Single File Components，简称 SFC）是构建复杂应用的基石。它将 HTML、CSS 和 JavaScript 代码封装在一个.vue文件中，极大地提高了代码的可维护性和复用性。 本文将深入探讨单文件组…...
iVX：数字化转型全场景技术革新与生态构建实践
在数字经济蓬勃发展的当下，企业数字化转型需求日益迫切。iVX 凭借其独特的技术架构与创新解决方案，深度渗透工业互联网、元宇宙、智慧城市等领域，成为推动全场景数字化转型的重要力量。本文将重新梳理 iVX 的技术应用与生态价值，以…...
车辆检测新突破：VFM-Det 如何用大模型提升识别精度
目录 编辑 一、摘要 二、引言 三、相关工作 四、Coovally AI模型训练与应用平台 五、方法 概述 综述：基于区域建议的检测 基于VehicleMAE的感知器 六、实验分析 数据集与评估指标 实现细节 属性预测模块预训练 与SOTA检测器的对比实验 消融实验 V…...
可视化图解算法：判断是否完全二叉树
1. 题目 描述 给定一个二叉树，确定他是否是一个完全二叉树。 完全二叉树的定义：若二叉树的深度为 h，除第 h 层外，其它各层的结点数都达到最大个数，第 h 层所有的叶子结点都连续集中在最左边，这就是完全二…...
和emplace_back()有什么区别？)
对于C++中的STL，push_back()和emplace_back()有什么区别？
1.push_back()： 语法为：container.push_back()，接收一个值或一个对象的移动/复制副本； 在将对象添加或移动到容器的末尾前，需要先调用构造函数实例化对象，然后再执行移动或复制操作。 2.emplace_back()&a…...
小程序中的页面跳转
小程序中的页面跳转 在之前网页的学习中，我们往往采用超链接，或者定义方法、函数等方式来实现页面的跳转，但是微信小程序中没有超链接，那我们该如何实现呢？微信小程序的页面跳转包括两个，一个是tabBar页面…...
分享一款免费的AI IDE Trae，全新支持DeepSeek R1/V3、豆包大模型1.5自由切换,更可自定义专属AI模型
分享一款免费的AI IDE Trae，全新支持DeepSeek R1/V3、豆包大模型1.5自由切换,更可自定义专属AI模型,加入我的邀请一起拿好礼,转发给技术搭子还有机会赢取华为MatePad Air、雷蛇机械键盘、热门会员卡等丰厚奖品，即刻体验>>: https://juejin.cn/loy…...
美团优选小程序 mtgsig 分析 mtgsig1.2
声明 本文章中所有内容仅供学习交流使用，不用于其他任何目的，抓包内容、敏感网址、数据接口等均已做脱敏处理，严禁用于商业用途和非法用途，否则由此产生的一切后果均与作者无关！ 逆向过程 部分python代码 openId a…...
Java中的多态与继承
Java中的多态与继承 开始学习Java中的多态及如何在多态方法调用中进行方法调用 多态——即对象根据其类型执行特定操作的能力——是Java代码灵活性的核心。四人组（Gang Of Four）创建的许多设计模式都依赖于某种形式的多态，包括命令模式。本文…...
日语学习-日语知识点小记-构建基础-JLPT-N4阶段（12）： ておき ます
日语学习-日语知识点小记-构建基础-JLPT-N4阶段（12）： ておき ます。 1、前言（1）情况说明（2）工程师的信仰 2、知识点（1）～ておき ます。（2&#x…...
MicroPython for esp32s3开发HX711称重模块指南
一、HX711模块基本介绍 一）、核心功能 24位高精度ADC 专为称重传感器设计的模数转换芯片，支持20mV或40mV满幅差分输入内置128/64倍可编程增益放大器（通道A）及固定32倍增益（通道B） 集成化设计 集成…...
智能机器人在物流行业的应用：效率提升与未来展望
随着全球电子商务的蓬勃发展，物流行业正面临着前所未有的挑战和机遇。传统的物流模式已经难以满足日益增长的市场需求，尤其是在效率、成本控制和精准配送方面。智能机器人技术的出现，为物流行业的转型升级提供了强大的动力。本文将探讨智能机…...
MiWi｜Microchip开发的专有无线通信协议，适用于低功耗、短距离的无线个人局域网【无线通信小百科】
1、什么是MiWi MiWi（Microchip Wireless）是一种由 Microchip 公司开发的专有无线通信协议。 它基于 IEEE 802.15.4 标准，适用于低功耗、短距离的无线个人局域网（WPAN，Wireless Personal Area Network）。 M…...
分布式事务，事务失效，TC事务协调者
1. 概述 本方案书旨在解决分布式系统中事务一致性问题，重点阐述全局事务标识（XID）的传递与存储机制、事务协调者（TC）的设计与部署，以及分布式事务失效场景的应对策略。基于业界成熟框架（如Seat…...
ESP32开发-作为TCP客户端发送数据到网络调试助手
代码（作为TCP客户端） #include <SPI.h> #include <EthernetENC.h> // 使用EthernetENC库// 网络配置 byte mac[] {0xDE, 0xAD, 0xBE, 0xEF, 0xFE, 0xED}; // MAC地址 IPAddress ip(192, 168, 1, 100); // ESP32的IP IPAddr…...
halcon打开图形窗口
1、dev_open_window 参数如下： 1）Row(输入参数) y方向上，图形窗口距离左上角顶端的像素个数 2）Column(输入参数) x方向上，距离左上角左边的像素个数 3）Width(输入参数) 图形窗口宽度 4）He…...
LVGL -按键介绍 下
4 图标 4.1 内置图标 LVGL 提供了一个很方便的 图标字体 系统，它使用了 lv_label 来显示文本或图标。你可以选择 Font Awesome 或其他图标字体，并将其直接嵌入应用中。LVGL 内建图标字体（如 LV_SYMBOL_*）是可以改变大小的。通过…...
【默子速报】DeepSeek新模型 Prover-V2 报告解读
炸裂，太炸裂了，五一不放假是吧？！ 默子加班加点的肝解读！ 首先是，Deepseek今天下午显示毫无预兆的在HF上发布了最新的Prover-V2参数 直接让一群人瞬间热血沸腾，想要看看Deepseek又干了什么大事。…...
冰冰一号教程网--介绍采用vuepress搭建个人博客
文章说明 采用vuepress可以快速搭建个人网站，风格统一；采用GPT可以将博文转化为个人博客网站 冰冰一号教程网 访问地址 目前只支持到 2025年05月1号 22点 教程包括主流编程语言：Java、JavaScript、python、C语言、C、C# 教程讲义由GPT生成&am…...
借助电商 API 接口实现电商平台商品数据分析的详细步骤分享
在数字化商业浪潮中，电商平台积累了海量数据。如何从这些数据中挖掘有价值的信息，成为电商企业提升竞争力的关键。电商 API 接口在这一过程中发挥着核心作用，它为获取和分析商品数据提供了高效途径。本文将详细介绍借助电商 API 接口实现电商…...
32单片机——串口
1、通信 通信的方式可以分为多种： （1）按照数据传送方式可分为串行通信和并行通信； ①串行通信 基本特征：数据逐位顺序依次传输 优点：传输线少、布线成本低、灵活度高等优点，一般用于近距离人…...
6.应用层
6. 应用层 1. 概述 应用层是计算机网络体系结构的最顶层，是设计和建立计算机网络的最终目的，也是计算机网络中发展最快的部分 早期基于文本的应用（电子邮件、远程登录、文件传输、新闻组）20世纪90年代将因特网带入千家万户的万维…...
【鸿蒙HarmonyOS】一文详解华为的服务卡片
7.服务卡片 1.什么是卡片 Form Kit（卡片开发服务）提供一种界面展示形式，可以将应用的重要信息或操作前置到服务卡片（以下简称“卡片”），以达到服务直达、减少跳转层级的体验效果。卡片常用于嵌入到其他应…...
深度卷积模型：案例研究
1 为什么要进行案例研究？ 过去，计算机视觉中的大量研究都集中在如何将卷积层、池化层以及全连接层这些基本组件组合起来，形成有效的卷积神经网络。 找感觉的最好方法之一就是去看一些示例，就像很多人通过看别人的代码来学习编程一…...
BBR 的 RTT 公平性问题求解
如果 BBR 要跟 reno/cubic 公平，只能顾此失彼，没有任何变通方法，唯一的方法就是在放弃 reno/cubic，但前提你得保证 BBR 流之间是公平的。如果非要照顾 reno/cubic，那就必须要变成 reno/cubic，这就是 BBRv2/…...
SQL命令二：SQL 高级查询与特殊算法
引言 在掌握了 SQL 的基础操作和建表约束后，我们可以进一步探索 SQL 的高级查询功能和一些特殊算法。这些高级技巧能够帮助我们更高效地处理和分析数据，满足复杂的业务需求。 一、查询进阶 （一）简单查询 简单查询通过 select 语…...
Databend 产品月报（2025年4月）
很高兴为您带来 Databend 2025 年 4 月的最新更新、新功能和改进！我们希望这些增强功能对您有所帮助，并期待您的反馈。 BendDeploy：安装 Databend 的新方式 BendDeploy 是由 Databend 开发的一款基于 Kubernetes 的平台，旨在简化…...
Best Video下载器——全能高清无水印视频下载工具
在当今短视频和流媒体盛行的时代，用户经常遇到想要下载视频却受限于平台限制的情况。无论是收藏喜欢的影视片段、保存有价值的教程，还是进行二次创作，一款高效、免费且支持多平台的视频下载工具显得尤为重要。Best Video下载器正是为此而生&a…...
2025东三省D题深圳杯D题数学建模挑战赛数模思路代码文章教学
完整内容请看文章最下面的推广群 一、问题一：混合STR图谱中贡献者人数判定 问题解析 给定混合STR图谱，识别其中的真实贡献者人数是后续基因型分离与个体识别的前提。图谱中每个位点最多应出现2n个峰（n为人数），但由…...
这些是什么充电模块调试手段，对USB、Thermal、DP
在电子产品开发中，充电模块调试及对相关模块的了解是保障产品性能与稳定性的关键环节。下面为你详细介绍： 充电模块调试手段：充电模块负责将外部电源的电能转化为适用于设备的电能，并对电池进行充电管理。调试手段包括使用专业的…...
Gradio全解20——Streaming：流式传输的多媒体应用（2）——构建对话式聊天机器人
Gradio全解20——Streaming：流式传输的多媒体应用（2）——构建对话式聊天机器人 本篇摘要20. Streaming：流式传输的多媒体应用20.2 构建对话式聊天机器人20.2.1 应用概述20.2.2 记录用户音频20.2.3 存储音频并生成响应20.2.4 构建G…...
字节暑期实习-网络运维工程师面经
岗位描述 这个是ByteIntern实习，是暑期实习岗位 岗位 一面 先自我介绍 抓项目技术（会进行确认是什么技术） TCP的三次握手和四次挥手 序列号和确认应答号的位置和大小 序列号是随机的吗？ 序列号为什么是随机的？ …...
多用户远程 Debugger 服务隔离方案技术实践
多用户远程 Debugger 服务隔离方案技术实践 摘要： 针对多用户同时连接远程 Debugger 服务可能导致的断点冲突、调试流程干扰等问题，本文基于主流调试工具（如 Python debugpy、Java JDWP、Node.js Inspector 等），梳理和…...
华为发布全球首个L3商用智驾ADS4.0
2024年10月2024世界智能网联汽车大会上，余承东讲到：“华为ADS 4.0将于2025年推出高速L3级自动驾驶商用及城区L3级自动驾驶试点，希望加快L3级自动驾驶标准的进程，推动L3级自动驾驶技术的普及。” 世界智能网联汽车大会演讲PPT 所以…...
Silo 科学数据工具库安装与使用指南
Silo 科学数据工具库安装与使用指南 Silo 是一个用于科学数据可视化和分析的工具库，由 Lawrence Livermore National Laboratory (LLNL) 开发。以下是 Silo 的安装和使用方法： 安装 Silo Linux 系统安装 从源码安装： wget https://wci.lln…...
vs2019编译occ7.9.0时，出现fatal error C1060: compiler is out of heap space
问题描述 visual studio 2019编译opencascade 7.9.0时，出现编译错误 fatal error C1060: compiler is out of heap space 解决方案 修改vs2019并行编译的线程个数，默认是12个，我改成了4个，问题解决 Tools > Project and Sol…...